[論文レビュー] Autonomous Scanning Probe Microscopy in-situ Tip Conditioning through Machine Learning

Mohammad Rashidi, Robert A. Wolkow|PubMed|Mar 19, 2018

Force Microscopy Techniques and Applications被引用数 7

ひとこと要約

本論文では、シリコンの不対結合を像で評価することで、チップの品質を評価するための畳み込みニューラルネットワーク（CNN）を用いて、スキャニングプローブ顕微鏡（SPM）のチップをイン・サイトで自動検出および条件付けする機械学習ベースのシステムを提示している。この手法は、劣化したチップを識別する際、99％以上の正確性を達成し、鋭いチップに回復するまでイン・サイトでの条件付けを自動で実行する。これにより、手動による介入なしに信頼性の高い原子スケールのプロセスが可能になる。

ABSTRACT

Atomic-scale characterization and manipulation with scanning probe microscopy rely upon the use of an atomically sharp probe. Here we present automated methods based on machine learning to automatically detect and recondition the quality of the probe of a scanning tunneling microscope. As a model system, we employ these techniques on the technologically relevant hydrogen-terminated silicon surface, training the network to recognize abnormalities in the appearance of surface dangling bonds. Of the machine learning methods tested, a convolutional neural network yielded the greatest accuracy, achieving a positive identification of degraded tips in 97% of the test cases. By using multiple points of comparison and majority voting, the accuracy of the method is improved beyond 99%.

研究の動機と目的

• スキャニングプローブ顕微鏡におけるイン・サイトでのチップ条件付けを自動化し、手動による介入を排除し、原子スケールの実験における信頼性を向上させること。
• STM画像による表面不対結合の分析を通じてチップ劣化を検出できる機械学習フレームワークの開発。
• 既存の自律的原子プロセスワークフローに、自動チップ品質評価と条件付けを統合すること。
• 他の材料系やナノスケールのイメージング技術へも一般化可能な手法の開発。

提案手法

• 28×28ピクセルの孤立したシリコン不対結合のSTM画像3,500枚を手動でラベル付けしたデータセットを用いて、畳み込みニューラルネットワーク（CNN）を学習した。
• データ拡張として、各画像を回転および反転処理することで、データセットサイズを8倍に増やし、モデルの汎化性能を向上させた。
• CNNは、実行中のリアルタイムSTM画像において、孤立した不対結合の外観を分析することで、チップの品質を評価する。
• CNNが二重チップ（劣化した品質）を検出すると、事前に選択された表面位置での制御されたインデンテーションにより、イン・サイトでのチップ条件付けをトリガーする。
• 複数の画像比較と、複数の不対結合画像における多数決投票を用いることで、99％を超える分類正確性を実現した。
• 自動化ルーチンは、PythonおよびLabVIEWを用い、Nanonis SPMコントローラインターフェースを介して実装され、完全なSPMプロセスパイプラインに統合された。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、表面欠陥のSTM画像に基づいて、劣化したスキャニングプローブ顕微鏡チップを正確に検出できるか？
• RQ2 複数の画像サンプルにわたる多数決投票は、チップ品質分類の信頼性をどのように向上させるか？
• RQ3 自動化されたイン・サイトでのチップ条件付けは、人為的監視なしに原子的鋭さを回復できるか？
• RQ4 このフレームワークは、他の材料やナノスケールのイメージング技術へどの程度一般化できるか？

主な発見

• 畳み込みニューラルネットワークは、シリコン不対結合のSTM画像から劣化チップを識別する際、97％の精度スコアを達成した。
• 複数の画像にわたる多数決投票を適用することで、チップ品質分類の正確性が99％を超えた。
• 自動化ルーチンは、原子スケールのプロセス後に二重チップを正常に検出し、3回の条件付けサイクルでチップの鋭さを回復させたことが、その後のSTM画像で確認された。
• この手法は、自律的原子ワイヤー製造プロセスに成功裏に統合され、パターニングシーケンス全体を通じて高い画像品質と低誤差率を維持した。
• このフレームワークは、4.5 Kの低温・超高真空下で稼働する実世界のSPMシステムにおいても、頑健な性能を示した。使用したのは電気化学的エッチングで作成されたタングステンチップである。
• このアプローチは、半導体製造における寸法分析を含む、他の材料系やナノスケールのイメージング技術へも一般化可能である。